DBSCAN semi-supervisionato
Il DBSCAN semi-supervisionato estende l'algoritmo canonico di clustering basato sulla densità (Ester et al., 1996) incorporando un piccolo insieme di vincoli a coppie o di etichette — coppie must-link che devono condividere un cluster, coppie cannot-link che devono essere separate, o una manciata di etichette note — per guidare la formazione dei cluster mantenendo la capacità del DBSCAN di scoprire cluster di forma arbitraria e segnalare punti di rumore.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96), pp. 226–231. AAAI Press. link ↗
- Zhu, X., & Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Morgan & Claypool Publishers. ISBN: 978-1-59829-548-7
Come citare questa pagina
ScholarGate. (2026, June 3). Semi-supervised Density-Based Spatial Clustering of Applications with Noise. ScholarGate. https://scholargate.app/it/machine-learning/semi-supervised-dbscan
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- DBSCANApprendimento automatico↔ compare
- HDBSCANApprendimento automatico↔ compare
- Clustering K-meansApprendimento automatico↔ compare
- Modello Gaussiano Mixture Semi-supervisionatoApprendimento automatico↔ compare
- K-means semi-supervisionatoApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →